|
Аннотация.
Представлены результаты разработки метода для распознавания и измерения объектов на МРТ изображениях головного мозга, основанного на введении математического описания области перехода между биологическими объектами и последующей декомпозиции общего изображения головного мозга на отдельные биологические объекты. Отличием разработанного подхода является применение нейронных сетей лишь для упрощения поиска ключевых особенностей заданного биологического объекта, тогда как основная часть метода реализована в виде процеду вычисления признаков переходов между биологическими структурами посредством введения математической функции и последующей фильтрации обнаруженных ложных переходов.
Ключевые слова:
магнитно-резонансная томография, анализ изображения, распознавание, гиппокамп, фильтрация изображения.
DOI 10.14357/20718632240204
EDN MQQEAA
Стр. 37-51. Литература
1. Гридин В.Н., Перепелов В.А., Панищев В.С., Труфанов М.И., Яхно Н.Н. Алгоритм вычисления параметров гиппокампа при диагностике болезни альцгеймера / Биомедицинская радиоэлектроника. 2019. Т. 22. № 7. С. 5-15. 2. Гридин В.Н., Труфанов М.И., Солодовников В.И., Панищев В.С., Синицын В.Е., Яхно Н.Н. Автоматический анализ количественных характеристик гиппокампа при магнитно-резонансной томографии головного мозга для диагностики возможной болезни альцгеймера (обзор литературы и результаты собственных исследований) / Радиология - практика. 2017. № 6 (66). С. 41-59. 3. Fawzi A, Achuthan A, Belaton B. Brain Image Segmentation in Recent Years: A Narrative Review. Brain Sciences. 2021; 11(8):1055. https://doi.org/10.3390/brainsci11081055. 4. Soltaninejad M, Yang G, Lambrou T, Allinson N, Jones TL, Barrick TR, Howe FA, Ye X. Supervised learning based multimodal MRI brain tumour segmentation using texture features from supervoxels. Comput Methods Programs Biomed. 2018 Apr; 157:69-84. doi: 10.1016/j.cmpb.2018.01.003. 5. Fedde van der Lijn a b, Tom den Heijer c d, Monique M.B. Breteler c, Wiro J. Niessen. Hippocampus segmentation in MR images using atlas registration, voxel classification, and graph cuts/ NeuroImage Volume 43, Issue 4, December 2008, Pages 708-720. 6. Benjamin Thyreau, Kazunori Sato, Hiroshi Fukuda, Yasuyuki Taki / Segmentation of the hippocampus by transferring algorithmic knowledge for large cohort processing // Medical Image Analysis,Volume 43,2018,Pages 214-228. 7. Lin, D., Rajinikanth, V., Lin, H. (2021). Hybrid Image Processing- Based Examination of 2D Brain MRI Slices to Detect Brain Tumor/Stroke Section: A Study. In: Priya, E., Rajinikanth, V. Signal and Image Processing Techniques for the Development of Intelligent Healthcare Systems. Springer, Singapore. https://doi.org/10.1007/978-981-15-6141-2_2. 8. Hasnain Ali Shah, Faisal Saeed, Sangseok Yun, Jun-Hyun Park, Anand Paul, Jae-Mo Kang, "A Robust Approach for Brain Tumor Detection in Magnetic Resonance Images Using Finetuned EfficientNet", IEEE Access, vol.10, pp.65426-65438, 2022. 9. K. Tartarotti Nepomuceno Duarte, M. Andrade Nascimento Moura, P. Sergio Martins and M. A. Garcia de Carvalho, "Brain Extraction in Multiple T1-weighted Magnetic Reso-nance Imaging slices using Digital Image Processing techniques," in IEEE Latin America Transactions, vol. 20, no. 5, pp. 831-838, May 2022, doi: 10.1109/TLA.2022.9693568. 10. Automated Classification of Alzheimer's Disease Based on MRI Image Processing using Convolutional Neural Network (CNN) with AlexNet Architecture, Y N Fu'adah, I Wijayanto, N K C Pratiwi, F F Taliningsih, S Rizal and M A Pramudito. Journal of Physics: Conference Series, Volume 1844, 2020 2nd International Conference on Science & Technology (2020 2nd ICoST) 28 November 2020, Yogyakarta, Indonesia. 11. Yi, P., Jin, L., Xu, T., Wei, L. and Rui, G. (2021), Hippocampal Segmentation in Brain MRI Images Using Machine Learning Methods: A Survey. Chinese J. Electron., 30: 793-814. 12. MRI image synthesis with dual discriminator adversarial learning and difficulty-aware attention mechanism for hippocampal subfields segmentation. Baoqiang Ma, Yan Zhao, Yujing Yang et al / Computerized Medical Imaging and Graphics, Volume 86, December 2020, 101800. 13. Zhenxi Zhang, Jie Li, Chunna Tian, Zhusi Zhong, Zhicheng Jiao, Xinbo Gao / Quality-driven deep active learning method for 3D brain MRI segmentation // Neurocomputing, Volume 446, 2021, Pages 106-117. 14. Гридин В.Н., Газов А.И., Новиков И.А., Солодовников В.И., Труфанов М.И. / Немасштабируемые функции в качестве моделей границы биологического объекта // Системы высокой доступности. 2021. Т. 17. № 4. С. 66-75. 15. 5. Dash, S., & Jena, U. Multi-resolution Laws’ Masks based texture classification. Journal of Applied Research and Technology, 2019, 15(6). https://doi.org/10.1016/j.jart.2017.07.005 16. Bochkovskiy, A., Wang, C.-Y., & Mark Liao, H.-Y. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv. https://arxiv.org/pdf/2004.10934.pdf 17. V.N. Gridin, M.I. Trufanov, V.I. Solodovnikov, V.S. Panishchev, V.E. Sinitsyn, N.N. Yakhno. Automatic analysis of the quantitative characteristics of the hippocampus in magnetic resonance imaging of the brain for the diagnosis of possible Alzheimer's disease (literature review and results of our own research) / Radiology - practice. No. 6 2017.S. 41-59. 18. Chuan Luo, Wei Yang, Panling Huang, Jun Zhou. Overview of Image Matching Based on ORB Algorithm. IOP Conf. Series: Journal of Physics: Conf. Series 1237 (2019), doi:10.1088/1742-6596/1237/3/032020. 19. Surface reconstruction from a sparse point cloud by enforcing visibility consistency and topology constraints Computer Vision and Image Understanding Volume 175, October 2018, Pages 52-71 https://doi.org/10.1016/j.cviu.2018.09.007. 20. Detail Preserved Surface Reconstruction from Point Cloud Yang Zhou, Shuhan Shen and Zhanyi Hu Sensors 2019, 19, 1278; doi:10.3390/s19061278. 21. Яхно Н.Н., Гридин В.Н., Перепелов В.А., Синицын В.Е., Коберская Н.Н., Смирнов Д.С., Солодовников В.И., Труфанов М.И. / Объемные характеристики гиппокампов по данным мр-волюметрии у пациентов с болезнью альцгеймера // Российский электронный журнал лучевой диагностики. 2020. Т. 10. № 1. С. 50-58.
|
